ยกระดับความโปร่งใสรัฐด้วย Data Architecture ผลักดัน QReg-SV สู่ชั้นตรวจสอบความผิดปกติย้อนหลังระบบจัดซื้อจัดจ้างภาครัฐ

บทนำ : ความท้าทายในมหาสมุทรข้อมูลจัดซื้อจัดจ้าง กระบวนการจัดซื้อจัดจ้างภาครัฐเป็นหนึ่งในกิจกรรมที่มีมูลค่าเม็ดเงินหมุนเวียนสูงที่สุดในระบบเศรษฐกิจ และเป็นกลไกสำคัญในการขับเคลื่อนโครงสร้างพื้นฐานของประเทศ อย่างไรก็ดี ด้วยปริมาณโครงการ เอกสาร และธุรกรรมนับแสนรายการต่อปีที่กระจายอยู่ตามหน่วยงานส่วนกลาง ส่วนภูมิภาค และส่วนท้องถิ่น ทำให้กระบวนการตรวจสอบแบบดั้งเดิม (Manual Audit) ที่เน้นการสุ่มตรวจหรือไล่ดูเอกสารเป็นรายโครงการ (Project-by-project) เผชิญกับข้อจำกัดทางกายภาพ ทั้งในแง่ของเวลา กำลังคน และที่สำคัญที่สุดคือ "การมองไม่เห็นความสัมพันธ์ข้ามมิติ" ที่ซ่อนอยู่ใต้กองเอกสารมหาศาล

เพื่อก้าวข้ามข้อจำกัดดังกล่าว การนำโครงสร้างพื้นฐานข้อมูล (Data Infrastructure) ยุคใหม่เข้ามาประยุกต์ใช้จึงไม่ใช่แค่ทางเลือก แต่เป็นทางรอด QReg-SV ในฐานะระบบหน่วยความจำและดัชนีตรวจสอบเชิงโครงสร้าง (Symmetry-Native Storage Backend) กำลังได้รับการผลักดันเข้าสู่ระบบตรวจสอบย้อนหลังการจัดซื้อจัดจ้างภาครัฐ โดยมุ่งเน้นทำหน้าที่เป็น "ชั้นวิเคราะห์และตรวจสอบความผิดปกติของข้อมูลย้อนหลัง (Retrospective Anomaly Detection Layer)"

สถาปัตยกรรมข้อมูล จากเอกสารดิบสู่ State-Aware Memory

ในการทำงานของ QReg-SV ข้อมูลดั้งเดิมของระบบจัดซื้อจัดจ้าง ได้แก่ เอกสารขอบเขตงาน (TOR), ราคากลาง, สัญญา, ใบเสนอราคา, ประกาศผู้ชนะ, รายชื่อบริษัทผู้ร่วมเสนอราคา, คณะกรรมการ, วันเวลาที่มีการแก้ไข และประวัติการดำเนินงานทั้งหมด จะไม่ถูกจัดเก็บเป็นเพียงตัวอักษรหรือไฟล์ PDF ที่แยกขาดจากกัน แต่อินพุตเหล่านี้จะถูกแปลง (Map) และจัดทำดัชนีในรูปแบบที่มีโครงสร้างสัมพันธ์ระดับลึก ทำให้ QReg-SV สามารถจดจำ ค้นหา และวิเคราะห์ร่องรอยการเปลี่ยนแปลง รวมถึงความคล้ายคลึงเชิงสถาปัตยกรรมข้อมูลได้อย่างแม่นยำ ผ่าน 6 ความสามารถหลัก ดังนี้

1. Document Fingerprinting (การพิมพ์ลายนิ้วมือดิจิทัลของเอกสาร)

ทุกเนื้อหาและโครงสร้างของ TOR ราคากลาง สัญญา หรือใบเสนอราคา จะถูกสร้าง "ลายนิ้วมือดิจิทัล" (Fingerprint) ที่มีความเฉพาะตัวสูง ระบบสามารถตรวจจับได้ทันทีหากเอกสารมีการแก้ไข ปรับเปลี่ยนเวอร์ชัน หรือถูกดัดแปลงแม้เพียงเล็กน้อย และสามารถชี้เป้าความเหมือนอย่างผิดปกติระหว่างเอกสารต่างโครงการได้

2. Multi-Dimensional Similarity Search (การค้นหาความคล้ายคลึงพหุมิติ)

ก้าวข้ามข้อจำกัดของระบบ Search ทั่วไป ด้วยความสามารถในการค้นหาโครงการที่มีข้อความ สเปกเทคนิค รูปแบบการตั้งราคา หรือโครงสร้างภายในเอกสารที่ "คล้ายคลึงกันมากจนผิดวิสัย" แม้ว่าโครงการเหล่านั้นจะอยู่คนละจังหวัด จัดซื้อโดยคนละหน่วยงาน หรือเกิดขึ้นห่างกันเป็นปี ซึ่งเป็นสัญญาณบ่งชี้ถึงการลอกเลียนแบบหรือแพทเทิร์นเอกสารที่มาจากแหล่งเดียวกัน

3. Provenance Reconstruction (การสร้างสายลำดับประวัติและเส้นทางข้อมูล)

ระบบจะทำการเรียงร้อยไทม์ไลน์ (Timeline) ของข้อมูลและเอกสารขึ้นมาใหม่โดยอัตโนมัติ เพื่อดูว่าเหตุการณ์ใดเกิดขึ้นเมื่อไร มีการแก้ไขในขั้นตอนไหน ใครเป็นผู้เข้าถึงหรือส่งต่อข้อมูล (Data Path) และเส้นทางเหล่านั้นมีความสัมพันธ์เชื่อมโยงกับโครงการอื่นหรือเรคคอร์ด (Record) อื่นๆ ในอดีตอย่างไร

4. Pattern Anomaly Detection (การตรวจจับรูปแบบพฤติกรรมผิดปกติ)

เน้นการตรวจพฤติกรรมซ้ำๆ ที่ขัดต่อหลักสถิติหรือความสมเหตุสมผลเชิงพาณิชย์ เช่น:

• กลุ่มบริษัทเดิมๆ ที่ชนะการประกวดราคาบ่อยครั้งเกินไป

• ราคาที่ชนะการประมูลมีความใกล้เคียงหรือเฉียดราคากลางอย่างน่าอัศจรรย์ในหลายๆ โครงการซ้ำๆ

• ลักษณะการแตกสัญญา (Contract Splitting) เพื่อให้มูลค่าต่ำกว่าเกณฑ์ (Threshold) การประมูลแบบเปิดกว้าง

• การเข้าไปแก้ไขเนื้อหา TOR ในช่วงเวลาวิกฤตใกล้วันปิดรับราคา

  
  

5. Deep Relationship Graph (กราฟความสัมพันธ์แฝง)

สร้างโครงข่ายความสัมพันธ์เชื่อมโยง (Entity Resolution & Network Analysis) ระหว่างตัวละครต่างๆ ในระบบ ได้แก่ บริษัท, กรรมการผู้จัดการ, ที่อยู่จดทะเบียน, เบอร์โทรศัพท์, ผู้รับมอบอำนาจ, เจ้าหน้าที่รัฐ, หน่วยงานเจ้าของงบประมาณ และประวัติโครงการ เพื่อค้นหา "Cluster เสี่ยง" หรือความสัมพันธ์แฝง (เช่น นอมินี หรือกลุ่มทุนเครือข่ายเดียวกันที่แกล้งมาแข่งราคา) ที่ยากจะตรวจพบด้วยสายตามนุษย์

6. Cryptographic Audit Evidence Package (ชุดหลักฐานการตรวจสอบที่สมบูรณ์)

เมื่อระบบตรวจพบจุดเสี่ยง QReg-SV จะไม่ได้แจ้งเตือนเพียงแค่สัญญาณ Warning ลอยๆ แต่จะทำการรวมชุดพยานหลักฐานดิจิทัล (Evidence Package) ที่ประกอบด้วย Document Hash, ลายเซ็นดิจิทัล (Signature), Similarity Score, Provenance Chain (สายลำดับประวัติที่ร้อยเรียงด้วย Hash-chained), พร้อมระบุเหตุผลความผิดปกติ (Anomaly Reason) และรายการเรคคอร์ดที่เกี่ยวข้องทั้งหมด เพื่อส่งต่อให้ผู้ตรวจสอบภาครัฐนำไปใช้ไต่สวนต่อได้อย่างเป็นระบบและไม่สามารถปฏิเสธความถูกต้องของข้อมูลได้

ปรัชญาการออกแบบ: Data-Driven Filter ไม่ใช่ AI ผู้พิพากษา

เป้าหมายขั้นสูงสุดของการผลักดัน QReg-SV เข้าสู่ระบบจัดซื้อจัดจ้างภาครัฐ ไม่ใช่การเข้าไปทำหน้าที่ "กล่าวหา" หรือตัดสินว่าใครทุจริตโดยอัตโนมัติ แต่ปรัชญาการทำงานของระบบคือการเป็น "เลนส์ขยายและเครื่องคัดกรองความเสี่ยงชั้นเลิศ" สำหรับผู้ตรวจสอบ

ระบบจะทำหน้าที่กรองสัญญาณรบกวน (Noise) ออกจากข้อมูล จัดอันดับความเสี่ยง (Risk Scoring) และสร้างหลักฐานเชิงข้อมูลรองรับ เพื่อให้ผู้ตรวจสอบที่เป็นมนุษย์สามารถพุ่งเป้า (Targeted Audit) ไปยังโครงการที่มีดัชนีความเสี่ยงสูงได้อย่างแม่นยำ ประหยัดทรัพยากรรัฐ และเพิ่มโอกาสในการตรวจพบการกระทำความผิดเชิงนโยบายหรือโครงสร้างได้อย่างมีประสิทธิภาพ

บทสรุป

สู่ยุค Memory-Based และ Pattern-Based Audit

การก้าวเข้ามาของ QReg-SV จะช่วยพลิกโฉมหน้าและเปลี่ยนกระบวนทัศน์ (Paradigm Shift) ของการตรวจสอบการจัดซื้อจัดจ้างภาครัฐไทยอย่างสิ้นเชิง:

[ อดีต ] ไล่ดูเอกสารรายโครงการ ➔ ข้อจำกัดด้านเวลา ➔ มองไม่เห็นภาพรวมข้ามพื้นที่/เวลา
                                    ⬇
[ อนาคตด้วย QReg-SV ] Memory & Pattern-Based ➔ เห็นความเชื่อมโยงแฝง ➔ ตรวจสอบเชิงรุกทั่วประเทศ

ด้วยการเปลี่ยนผ่านไปสู่การตรวจสอบอิงฐานความจำเชิงโครงสร้าง (Memory-based) และรูปแบบพฤติกรรม (Pattern-based) นี้ หน่วยงานตรวจสอบจะสามารถมองเห็นภาพรวมของความสัมพันธ์ที่ข้ามหน่วยงาน ข้ามจังหวัด และข้ามช่วงเวลาได้อย่างไร้รอยต่อ ปิดช่องว่างของการทุจริตเชิงนโยบาย และคืนความโปร่งใสสูงสุดให้แก่การใช้จ่ายงบประมาณแผ่นดินเพื่อประโยชน์ของประชาชนอย่างแท้จริง